JP2001014326A

JP2001014326A - 構造指定による類似文書の検索装置及び検索方法

Info

Publication number: JP2001014326A
Application number: JP11183349A
Authority: JP
Inventors: Tadataka Matsubayashi; 忠孝松林; Katsumi Tada; 勝己多田; Natsuko Sugaya; 菅谷　　奈津子; Yasuhiko Inaba; 靖彦稲場; Akihiko Yamaguchi; 明彦山口; Yosuke Gochi; 陽介後地
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1999-06-29
Filing date: 1999-06-29
Publication date: 2001-01-19

Abstract

(57)【要約】【課題】種文書に類似する文書を検索するに際して、
検索条件に検索対象構造の指定を付加し、もって検索精
度の向上を図る。【解決手段】検索条件式解析プログラム１３０は、検
索条件として種文書の指定と検索対象構造の入力を受け
る。特徴文字列抽出プログラム１５０は、指定された種
文書のテキストから特徴文字列を抽出する。検索対象構
造ＩＤ取得プログラム１５１は、指定された構造をその
ＩＤに変換する。類似度算出プログラム１５２は、出現
頻度ファイル１８１を検索して特徴文字列と構造ＩＤが
一致する文書の出現頻度を取得し、類似文書の種文書を
基とする類似度を計算する。検索結果出力プログラム１
３２は、検索結果の類似文書の識別子とその類似度を表
示する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、検索条件として指
定された文書（種文書）に類似する文書を検索する装置
及び方法に係わり、特に構造化文書の構造を対象として
検索を行う装置及び方法に関する。

【０００２】

【従来の技術】近年、パーソナルコンピュータやインタ
ーネット等の普及に伴い、データベースに蓄積される電
子化文書の数が増大しており、膨大な電子化文書の中か
らユーザが所望する情報を含んだ文書を検索精度よく、
高速かつ効率的に検索したいという要求が高まってい
る。

【０００３】このような要求に対して種々の検索技術が
提案されている。例えば特開平１０−２４０７５２号公
報によれば、文書を構成する個々の論理的な構造要素が
識別できる文書（以下、構造化文書と呼ぶ）を対象とし
て、論理構造に関する条件を検索条件中に付加した検索
を行うことにより、精度の高い検索を行うことができ
る。

【０００４】また特開平１１−１４３９０２号公報は、
ユーザが自分の所望する内容の文書あるいは文章（以
下、種文書と呼ぶ）を指定し、その文書と類似する文書
を検索する類似文書検索技術を開示する。この技術によ
れば、サンプル文書を示すだけで目的の文書を簡単に検
索でき、ユーザが複雑な検索条件式を考えたり入力する
手間が省け、効率的な検索ができる。

【０００５】

【発明が解決しようとする課題】上記の特開平１１−１
４３９０２号公報の技術によれば、ユーザは使い勝手が
よく効率的な検索ができるが、以下に例示するように検
索精度の問題を残している。

【０００６】図３は、従来の類似文書検索システムの処
理手順を示す図である。検索条件取得プログラムは、検
索条件を入力するためのガイダンス画面を表示装置上に
表示する。例えば種文書を含む複数の候補文書の文書番
号や見出しなどの一覧情報を表示する。検索条件として
種文書が指定されると、特徴ｎ−ｇｒａｍ抽出プログラ
ムが起動され、文書ファイルから種文書のテキスト全文
を取り出し、テキスト中から特徴文字列を抽出する。次
に類似度算出プログラムが起動され、特徴文字列に対応
して文書番号とその特徴文字列の出現回数が登録してあ
る出現頻度ファイルを参照し、種文書の特徴文字列に基
づいて同じ特徴文字列を使用する関連文書の種文書に対
する類似度を算出して候補文書の文書番号、類似度、見
出しなどの一覧情報を検索結果として表示する。

【０００７】図３の検索結果によれば、種文書とよく類
似する文書は文書４であるにもかかわらず、特徴文字列
の出現頻度がより高いために関連の薄い文書１の類似度
がより高くなり、優先的に表示されるという問題があ
る。

【０００８】本発明の目的は、複雑な検索条件の入力を
避けるが検索精度のよい類似文書の検索装置及び検索方
法を提供することにある。

【０００９】

【課題を解決するための手段】本発明は、計算機を利用
して種文書に類似する構造化文書を検索する方法であっ
て、類似度計算の検索条件として種文書と構造化文書に
属する少なくとも１つの構造の指定を受けるステップ
と、類似度計算の後、類似度のより高い対象文書を優先
して表示するステップとを有する構造指定による類似文
書の検索方法を特徴とする。

【００１０】また本発明は、構造化された種文書に類似
する文書を検索する方法であって、種文書とその種文書
に属する少なくとも１つの構造の指定を受けるステップ
と、類似度計算の後、類似度のより高い対象文書を優先
して表示するステップとを有する構造指定による類似文
書の検索方法を特徴とする。

【００１１】さらに本発明は、上記の機能を備える検索
装置を特徴とする。

【００１２】なおここで構造を指定するとは、文書を構
成する論理的な構造要素の名称を指定することを意味す
る。

【００１３】

【発明の実施の形態】以下、本発明の実施形態について
図面を用いて説明する。

【００１４】図１は、第１の実施形態の類似文書検索シ
ステムの構成図である。本システムを実現する計算機ハ
ードウェアは、表示装置１００、入力装置１０１、中央
処理装置（ＣＰＵ）１０２、外部記憶装置１０３、フロ
ッピィディスクドライブ（ＦＤＤ）１０４、主メモリ１
０６とこれら装置間を接続するバス１０７から構成され
る。

【００１５】外部記憶装置１０３は、テキスト１８０、
出現頻度ファイル１８１及び構造インデクス１８２を格
納する。テキスト１８０は、構造化文書ファイルあるい
は構造化されていない文書ファイルの集合を格納する。
ここで構造化文書とは、ＳＧＭＬ，ＸＭＬなどの標準形
式に準拠した論理構造をもつ文書、あるいは各論理構造
ごとに抽出された複数のフラットテキストから構成され
るものである。ＦＤＤ１０４を介してフロッピィディス
ク１０５に格納されている文書が主メモリ１０６を経由
してテキスト１８０に登録される。

【００１６】主メモリ１０６に格納されるシステム制御
プログラム１１０は、オペレーティングシステム、グラ
フィカル・ユーザインタフェースを提供するプログラム
などを含む。文書登録制御プログラム１１１は、文書登
録用のプログラムの実行を制御する。登録プログラムに
は、テキスト登録プログラム１２０、出現頻度計数プロ
グラム１４０を含む出現頻度ファイル作成プログラム１
２１及び構造インデクス作成プログラム１２２がある。
テキスト登録プログラム１２０は、フロッピィディスク
１０５上の文書をテキスト１８０に登録するプログラム
である。

【００１７】検索制御プログラム１１２は、類似文書の
検索に係わるプログラムの実行を制御するプログラムで
ある。検索用のプログラムには、検索条件式解析プログ
ラム１３０、類似文書検索プログラム１３１及び検索結
果出力プログラム１３２がある。類似文書検索プログラ
ム１３１には、特徴文字列抽出プログラム１５０、検索
対象構造ＩＤ取得プログラム１５１及び類似度算出プロ
グラム１５２が含まれる。これら検索用プログラムの機
能については、以下の検索処理手順の説明の中で説明す
る。検索制御プログラム１１２及び検索用プログラムを
記憶媒体に格納し、駆動装置を介して主メモリ１０６に
読み込み、ＣＰＵ１０２によって実行することが可能で
ある。

【００１８】主メモリ１０６中に格納される共有ライブ
ラリ１６０として、構造化文書解析プログラム１７０が
ある。またワークエリア１６１は、テキスト１８０、出
現頻度ファイル１８１、構造インデクス１８２から読み
込んだデータ等の一時記憶領域や作業用領域として使用
される領域である。

【００１９】出現頻度ファイル１８１は、図２の一部に
示すように文字列又は単語に対応して、文書番号、その
文字列が含まれる論理構造のＩＤ及びその論理構造中の
出現回数を格納する。出現頻度ファイル１８１に登録さ
れる対象文書は、構造化文書または構造化していない文
書である。出現頻度ファイル作成プログラム１２１は、
テキスト１８０中の文書を１つずつ読み込み、テキスト
中から特徴文字列を抽出し、出現頻度計数プログラム１
４０によって各論理構造ごとの特徴文字列の出現回数を
計数し、出現頻度ファイル１８１を作成して外部記憶装
置１０３に登録する。構造化していない文書について
は、論理構造の区分が指定されると、その指定に従って
特徴文字列と論理構造ＩＤとを対応づける。例えば特開
平１１−１４３９０２号公報は出現頻度ファイル作成プ
ログラムの処理手順を開示する。

【００２０】構造インデクス１８２は、図２の一部に示
すように論理構造とそのＩＤの対応関係を格納する。構
造インデクス作成プログラム１２２は、構造化文書解析
プログラム１７０を呼び出し、テキスト１８０から読み
込んだ文書テキストの論理構造を解析して各論理構造に
ＩＤを付与して外部記憶装置１０３に登録する。例えば
特開平１０−２４０７５２号公報は、構造インデクス作
成プログラムの処理手順を開示する。

【００２１】図２は、第１の実施形態の処理手順を示す
図である。第１の実施形態では、種文書が構造化されて
いない文書、検索対象文書が出現頻度ファイル１８１に
登録済みの文書（構造化文書又は構造化されていない文
書）とする。検索条件式解析プログラム１３０は、表示
装置１００上にガイダンス画面を表示し、検索条件式の
入力を受け付ける。

【００２２】ここで検索条件式は、種文書及び少なくと
も１つの検索対象構造である。種文書はすでに見出し等
が表示された複数の文書候補のうちの１つを選択するこ
とが可能であるし、入力装置１０１から直接入力するこ
とも可能であるし、ＦＤＤ１０４やＣＤ−ＲＯＭ装置
（図には示していない）、ネットワーク（図には示して
いない）等を介して入力することも可能である。

【００２３】さらに図１２に示すように、表示装置１０
０に種文書入力用領域１２００、検索対象構造入力用領
域１２０１および検索実行ボタン１２０２を備えた画面
インタフェースを介して検索条件式が入力されるものと
してもよい。種文書入力用領域１２００には、入力装置
１０１より種文書を直接入力することも可能であるし、
あるいは検索結果表示画面（図には示していない）上の
テキストを種文書入力用領域１２００にコピーすること
も可能である。あるいは種文書はこのようなテキストの
うちの指示された部分であってもよい。

【００２４】また検索対象構造は、表示されるドロップ
ダウンメニューから少なくとも１つを選択することが可
能である。複数の検索対象構造が指定された場合の検索
条件では、各構造に対して重みを付与することが可能で
ある。ここで重みは、重み入力用領域（図には示してい
ない）を介して入力されるものでもよいし、システム定
義ファイル（図には示していない）で定義されるものと
してもよい。

【００２５】入力装置１０１を介して種文書及び検索対
象構造が入力されると、検索条件式解析プログラム１３
０は指定された検索条件から種文書のテキストを取得す
る。なお検索対象とする構造を指定する代わりに、検索
対象としない構造（検索対象から除外する構造）を指定
してもよい。その場合には、検索条件式解析プログラム
１３０は、残りの構造を検索対象構造とする。また検索
対象構造を検索条件式の１つとして入力装置１０１を介
して入力する代わりにあらかじめシステム定義ファイル
（図には示していない）に設定された検索対象構造を用
いてもよい。

【００２６】検索対象構造ＩＤ取得プログラム１５１
は、構造インデクス１８２を参照して指定された構造に
対応する識別子を検索対象構造ＩＤとして取得する。ま
た特徴文字列抽出プログラム１５０は、テキスト１８０
から指定された種文書のテキスト全文を取り出し、特徴
文字列を抽出し、抽出した特徴文字列の出現回数を計数
する。特徴文字列の抽出方法としては、例えば特開平１
１−１４３９０２号公報に記載された方法を用いること
ができる。図２の例では抽出した特徴文字列のうち優先
度の高いものを採用している。あるいは文書テキストか
ら単語を切り出し、単語辞書（図には示していない）を
参照して登録された単語との一致をチェックしながら単
語を抽出してもよい。

【００２７】次に類似度算出プログラム１５２は、出現
頻度ファイル１８１を参照して抽出された各特徴文字列
又は単語と検索対象構造ＩＤが一致する文書の文書番号
とその出現頻度を取得する。次に出現頻度ファイル１８
１を参照して取得した各文書の検索対象構造ＩＤについ
て抽出された特徴文字列又は単語以外の他の文字列又は
単語の出現頻度を取得し、各文書ごとに種文書との類似
度を算出する。類似度算出方法としては、例えば特開平
１１−１４３９０２号公報に記載の数式１を用いること
ができる。あるいは種文書の各特徴文字列（単語）の正
規化された出現ウェイトを要素とする特徴ベクトルと取
得した各文書の特徴ベクトルを求め、種文書と他文書の
特徴ベクトルの内積によって各文書の類似度を計算して
もよい。

【００２８】最後に検索結果出力プログラム１３２は、
取得した文書を類似度の高い順に並べ替え、類似度の高
い順に従って表示の優先度を決定し、優先度の高い文書
から順に文書番号とその類似度を表示装置１００上に表
示する。ファイル（図には示していない）を参照して各
文書の見出し、概要などの書誌事項を取得して併せて表
示してもよい。類似文書との比較のために種文書の文書
番号、類似度、見出しなどを併せて表示することも可能
である。

【００２９】なお複数の検索対象構造が指定された場合
に、各文書の類似度を算出するに際して、各検索対象構
造の類似度を全体に亘って累積する累積値を求め、文書
をこの類似度の累積値の大きい順に並べ替えてもよい。
ここで累積値とは、各検索対象構造ごとの類似度の総
和、２乗和の平方根を求めたものなどである。あるいは
各文書について複数の検索対象構造の各類似度のうち最
も高い類似度を採用し、文書をこの採用した類似度の大
きい順に並べ替えてもよい。例えば特許明細書中の［請
求項ｎ］のように文書中に同一種類の論理構造が繰り返
し出現する場合に、各論理構造ごとに類似度を算出し、
その中で最も高い類似度を採用して種文書の類似度と比
較すると、同一種類の論理構造の順番には無関係に内容
の類似度の高い論理構造同志の比較をすることができ
る。また類似度の累積値を求めるモードと、最も高い類
似度を採用するモードの両方を設け、検索条件の１つと
していずれかのモードを選択できるようにしてもよい
し、あらかじめシステム定義ファイル（図には示してい
ない）に選択するモードを設定できるようにしてもよ
い。

【００３０】図４は、第２の実施形態の類似文書検索プ
ログラム１３１ａの構成を示す図である。第２の実施形
態では、特徴文字列抽出プログラム１５０ａに種文書構
造解析プログラム４００が加わっている。種文書構造解
析プログラム４００は、共有ライブラリ１６０に格納さ
れている構造化文書解析プログラム１７０を呼び出す構
成をとる。また類似度算出プログラム１５２ａに対応構
造判定プログラム４０１が加わっている。

【００３１】図５は、第２の実施形態の処理手順を示す
図である。第２の実施形態では種文書が構造化文書、検
索対象文書が出現頻度ファイル１８１に登録済みの文書
（構造化文書又は構造化されていない文書）とする。第
２の実施形態の検索条件は種文書及び種文書に属する少
なくとも１つの構造である。入力装置１０１を介して種
文書及び構造が入力されると、検索条件式解析プログラ
ム１３０は指定された検索条件から種文書のテキストを
取得する。検索条件で指定された種文書の論理構造と検
索対象文書の論理構造が一致するものとする。なお検索
対象とする構造を指定する代わりに、検索対象としない
構造（検索対象から除外する構造）を指定してもよい。
その場合には、検索条件式解析プログラム１３０は、種
文書に属する残りの構造を検索対象構造とする。第１の
実施形態と同様に検索対象構造をあらかじめシステム定
義ファイルに設定しておいてもよい。

【００３２】次に種文書構造解析プログラム４００は、
テキスト１８０から種文書のテキストを取り出し、種文
書の構造を解析して指定された構造に関する本文テキス
トのみを抽出する。種文書のテキストに指定された構造
が含まれていないときにはエラーとする。文書の構造解
析の方法としては、例えば特開平１０−２４０７５２号
公報に文書構造解析プログラムの処理手順として記載さ
れている。次に検索対象構造ＩＤ取得プログラム１５１
は、構造インデクス１８２を参照して指定された構造に
対応する検索対象構造ＩＤを取得する。また特徴文字列
抽出プログラム１５０ａは、抽出されたテキストの特徴
文字列（単語）を抽出し、抽出した特徴文字列の出現回
数を計数する。なお種文書について、すでに各構造の特
徴文字列が抽出され、その構造ごとの出現回数が計数さ
れており、出現頻度ファイル１８１のように登録されて
いるのであれば、そのファイルを参照して指定された構
造、特徴文字列と出現回数を抽出するだけでよい。この
場合には種文書構造解析プログラム４００及び特徴文字
列抽出プログラム１５０ａの処理をスキップできる。

【００３３】次に類似度算出プログラム１５２ａは、第
１の実施形態と同様に出現頻度ファイル１８１を参照し
て抽出された各特徴文字列（単語）と検索対象構造ＩＤ
が一致する文書の文書番号を取得し、各文書ごとに種文
書との類似度を算出する。この際に対応構造判定プログ
ラム４０１は、種文書の構造と、出現頻度ファイル１８
１から取得された文書の構造ＩＤとの対応をとり、特徴
文字列を検索対象構造ごとのグループに分け、検索対象
構造ごとの類似度を算出する。複数の検索対象構造が指
定された場合に、各文書の最終的な類似度を算出する方
法は第１の実施形態と同様である。最後に検索結果出力
プログラム１３２は、取得した文書を算出した類似度の
高い順に並べ替えてその文書番号、類似度、見出し等を
表示装置１００上に表示する。

【００３４】なお上記の第２の実施形態の説明では、指
定された種文書の構造と検索対象構造とが一致するもの
としたが、両者が別の論理構造であってもよい。すなわ
ち種文書の構造が指定され、これとは別の検索対象構造
が指定された場合、種文書構造解析プログラム４００及
び特徴文字列抽出プログラム１５０ａは、指定された種
文書の構造に注目して特徴文字列を抽出し、類似度算出
プログラム１５２ａは指定された検索対象構造のＩＤに
注目して検索対象文書を検索する。また対応構造判定プ
ログラム４０１は、指定された種文書の構造と指定され
た検索対象構造が同一グループとみなして対応づけをす
る。例えば薬の効能書の［副作用］を特徴文字列を抽出
するときの対象構造とし、［効能］を検索対象文書の類
似度を計算するときの検索対象構造とすることにより、
種文書に記載の薬のもつ副作用を抑える薬について記載
された文書を探し出すことが可能となる。

【００３５】図６は、第２の実施形態の問題点を説明す
る図である。この例では種文書に関する構造として［効
能］［副作用］［使用上の注意］が指定され、これらの
構造が検索対象構造とみなされ、検索が実行されてい
る。その結果”服用””自動車””運転”など薬の効能
書にとって重要度が小さいか無意味な特徴文字列が抽出
され、これらの特徴文字列を含む特徴文字列に基づく類
似度算出の結果として、文書２、文書３などあまり重要
でない文書の類似度が無視できない程の値を示し、検索
結果として文書２、文書３などが挙がったことを示して
いる。

【００３６】図７は、第３の実施形態の類似文書検索プ
ログラム１３１ｂの構成を示す図である。第３の実施形
態では、特徴文字列抽出プログラム１５０ｂにさらに構
造重みプログラム６００が加わっている。

【００３７】図８は、第３の実施形態の処理手順を示す
図である。第３の実施形態は、特徴文字列抽出プログラ
ム１５０ａが抽出した特徴文字列に対して構造重みプロ
グラム６００を適用する以外は第２の実施形態の処理と
同じである。構造重みプログラム６００は、論理構造ご
とに重要度が設定してあるシステム定義ファイルを参照
して、各論理構造ごとにその重要度に応じて抽出した特
徴文字列の中から検索用として採用する特徴文字列の数
を決定する。例えば「重要」の構造は抽出されたすべて
の特徴文字列を採用し、「普通」の構造は抽出された特
徴文字列の重要度に従って一部の特徴文字列のみを採用
する。あるいは各論理構造ごとに採用する特徴文字列の
数をシステム定義ファイルに設定し、抽出された特徴文
字列からその重要度が上位の所定数の特徴文字列を採用
してもよい。また所定の文字種からそれぞれ所定数を採
用するようにしてもよい。特徴文字列の重要度を算出す
る方法としては、例えば特開平１１−１４３９０２号公
報は数式２として特徴文字列の重要度の算出式を挙げて
いる。なお各論理構造の重要度や特徴文字列の採用個数
をシステム定義ファイルに設定する代わりに、検索条件
式の一部として入力装置１０１を介して指定してもよ
い。なお論理構造の重要度あるいは特徴文字列の重要度
により採用する特徴文字列を決定する方式は、上記の第
１の実施形態にも適用可能である。

【００３８】以上のようにして特徴文字列を絞り込んだ
上で類似度算出プログラム１５２ａ及び対応構造判定プ
ログラム４０１を適用すると、検索結果から重要度の少
ない文書を排除することができる。また第１、第２の実
施形態に比べて特徴文字列の数が削減されることになる
ので、出現頻度ファイル１８１を検索する際の検索時間
を短縮できる。

【００３９】図９は、第４の実施形態の検索結果表示プ
ログラム１３２ａの構成を示す図である。第４の実施形
態では、検索結果表示プログラム１３２ａに構造別表示
方法取得プログラム７００が加わっている。

【００４０】図１０は、第４の実施形態の処理手順を示
す図である。第４の実施形態は、検索結果表示プログラ
ム１３２ａの処理を除いては第１〜第３の実施形態の処
理と同じである。構造別表示方法取得プログラム７００
は、類似度算出プログラム１５２ａの処理結果として挙
げられた文書について検索対象構造別の類似度を表示す
る。また検索対象構造ごとに抽出された特徴文字列を強
調表示する。

【００４１】図１１は、構造別表示方法取得プログラム
７００の処理手順を示すＰＡＤ図である。構造別表示方
法取得プログラム７００は、特徴文字列抽出プログラム
１５０ａにより抽出された各構造ごとの特徴文字列をそ
れぞれワークエリア１６１に格納する（ステップ７０
１）。次に類似度算出プログラム１５２ａにより算出さ
れた各構造ごとの類似度をワークエリア１６１に格納す
る（ステップ７０２）。次に検索された各文書の指定さ
れたすべての構造について以下の処理を繰り返す（ステ
ップ７０３）。まずワークエリア１６１に格納された当
該構造の類似度を取得し表示する（ステップ７０４）。
次にワークエリア１６１に格納された当該構造の特徴文
字列を取得し、強調表示する（ステップ７０５）。なお
この実施形態では各論理構造ごとに類似度と特徴文字列
の強調表示とを行うものとしたが、いずれか一方のみを
行ってもよい。また検索結果の表示条件をシステム定義
ファイル上に設定してもよいし、検索条件式の一部とし
て指定してもよい。

【００４２】なお種文書及び検索結果として挙げられた
類似文書について、各々文書番号に対応して見出し、概
要などを表示し、これらのテキストに含まれ、採用され
た特徴文字列を強調表示してもよい。このように表示す
ると、類似文書に含まれる特徴文字列を種文書に含まれ
る特徴文字列と比較することができる。

【００４３】なお上記実施形態で使用した出現頻度ファ
イル１８１の代わりに特開平１１−１４３９０２号公報
のｎ−ｇｒａｍインデクスを用いてもよい。すなわち特
開平１１−１４３９０２号公報と特開平１０−２４０７
５２号公報の構造化された文字列インデックスを組み合
わせると、出現頻度ファイル１８１に代わるファイルを
構成可能である。同一文字列についての１つ以上の出現
位置はその文字列の出現回数をも示している。

【００４４】なお上記第１〜第４の実施形態では種文書
として１つの文書が指定されるものとしたが、複数の種
文書を指定できるものとしてもよい。ここで特徴文字列
としては、それぞれの種文書から抽出された特徴文字列
をすべて用いるものとしてもよいし、それぞれの種文書
に共通して含まれる特徴文字列を用いるものとしてもよ
い。

【００４５】

【発明の効果】以上述べたように本発明によれば、類似
文書検索の検索条件として論理構造の指定を付加するの
で、類似文書検索の利点を最大限に生かしながら検索精
度を高めることができる。なお複数の検索対象構造が指
定される場合に、あらかじめ設定された論理構造の重要
度または特徴文字列の重要度に応じて関連の薄い特徴文
字列を排除でき、さらに検索精度を高めることができ
る。また種文書は、構造化文書と構造化していない文書
のいずれも可能であり、ユーザが種文書の選択に注意を
払う必要がない。

【図面の簡単な説明】

【図１】実施形態の類似文書検索システムの構成図であ
る。

【図２】第１の実施形態の処理手順を示す図である。

【図３】従来の類似文書検索システムの処理手順を示す
図である。

【図４】第２の実施形態の類似文書検索プログラム１３
１ａの構成を示す図である。

【図５】第２の実施形態の処理手順を示す図である。

【図６】第２の実施形態の問題点を説明する図である。

【図７】第３の実施形態の類似文書検索プログラム１３
１ｂの構成を示す図である。

【図８】第３の実施形態の処理手順を示す図である。

【図９】第４の実施形態の検索結果出力プログラム１３
２ａの構成を示す図である。

【図１０】第４の実施形態の処理手順を示す図である。

【図１１】第４の実施形態の構造別表示方法取得プログ
ラムの処理手順を示す図である。

【図１２】検索条件入力画面の例を示す図である。

【符号の説明】

１３１：類似文書検索プログラム、１３２：検索結果出
力プログラム、１５０：特徴文字列抽出プログラム、１
５１：検索対象構造ＩＤ取得プログラム、１５２：類似
度算出プログラム、１８０：テキスト、１８１：出現頻
度ファイル、１８２：構造インデクス、４００：種文書
構造解析プログラム

───────────────────────────────────────────────────── フロントページの続き (72)発明者菅谷奈津子神奈川県川崎市幸区鹿島田890番地株式会社日立製作所システム開発本部内 (72)発明者稲場靖彦神奈川県川崎市幸区鹿島田890番地株式会社日立製作所システム開発本部内 (72)発明者山口明彦神奈川県川崎市幸区鹿島田890番地株式会社日立製作所システム開発本部内 (72)発明者後地陽介神奈川県横浜市戸塚区戸塚町5030番地株式会社日立製作所ソフトウェア事業部内Ｆターム(参考） 5B009 QA09 VA02 5B075 ND03 NK06 NK39 PP13 PQ02 PQ22 PQ36 PQ46 PQ75 PR06 QM08

Claims

【特許請求の範囲】

【請求項１】計算機を利用して検索条件として指定され
た文書あるいは文章（以下まとめて種文書と呼ぶ）に類
似する構造化文書を検索する方法であって、類似度計算
の検索条件として種文書と該構造化文書に属する少なく
とも１つの構造の指定を受けるステップと、類似度計算
の後、類似度のより高い対象文書を優先して表示するス
テップとを有することを特徴とする構造指定による類似
文書の検索方法。
【請求項２】計算機を利用して種文書に類似する構造化
文書を検索する方法であって、種文書と検索対象とする
構造が指定されたとき、指定された該種文書のテキスト
から特徴となる文字列を抽出するステップと、抽出され
た特徴文字列と指定された検索対象構造とが合致する文
書を対象として、該特徴文字列に基づく該種文書との類
似度を算出するステップと、算出された類似度の高い順
に従って表示の優先度を決定するステップとを有するこ
とを特徴とする構造指定による類似文書の検索方法。
【請求項３】計算機を利用して構造化された種文書に類
似する文書を検索する方法であって、種文書と該種文書
に属する少なくとも１つの構造の指定を受けるステップ
と、類似度計算の後、類似度のより高い対象文書を優先
して表示するステップとを有することを特徴とする構造
指定による類似文書の検索方法。
【請求項４】計算機を利用して構造化された種文書に類
似する文書を検索する方法であって、種文書と検索対象
とする構造が指定されたとき、指定された該種文書のテ
キストのうち指定された構造に属するテキストから特徴
となる文字列を抽出するステップと、抽出された特徴文
字列と指定された検索対象構造とが合致する文書を対象
として該特徴文字列に基づく該種文書との類似度を算出
するステップと、算出された類似度の高い順に従って表
示の優先度を決定するステップとを有することを特徴と
する構造指定による類似文書の検索方法。
【請求項５】前記種文書は、表示画面上の指示されたテ
キストであることを特徴とする請求項１又は請求項２記
載の構造指定による類似文書の検索方法。
【請求項６】前記検索対象とする構造が指定される代わ
りに、前記検索対象から除外されるべき構造が指定され
ることを特徴とする請求項１又は請求項２記載の構造指
定による類似文書の検索方法。
【請求項７】前記種文書に属する構造が指定される代わ
りに、前記種文書に属し検索対象から除外されるべき構
造が指定されることを特徴とする請求項３又は請求項４
記載の構造指定による類似文書の検索方法。
【請求項８】検索対象として複数の構造が指定されたと
き、前記検索対象構造ごとに類似度を算出し、すべての
検索対象構造に亘る類似度の累積値を前記優先度決定の
際の最終の類似度とすることを特徴とする請求項２又は
請求項４記載の構造指定による類似文書の検索方法。
【請求項９】検索対象として複数の構造が指定されたと
き、前記検索対象構造ごとに類似度を算出し、対象とす
る文書について最も高い類似度を前記優先度決定の際の
最終の類似度とすることを特徴とする請求項２又は請求
項４記載の構造指定による類似文書の検索方法。
【請求項１０】前記特徴文字列を抽出した後に、さらに
前記特徴文字列の重要度に応じて採用する特徴文字列を
決定することを特徴とする請求項２又は請求項４記載の
構造指定による類似文書の検索方法。
【請求項１１】前記特徴文字列を抽出した後に、さらに
前記指定された種文書に属する構造の重要度に応じて採
用する特徴文字列を決定することを特徴とする請求項４
記載の構造指定による類似文書の検索方法。
【請求項１２】前記特徴文字列を抽出した後に、さらに
前記検索対象構造の重要度に応じて採用する特徴文字列
を決定することを特徴とする請求項２又は請求項４記載
の構造指定による類似文書の検索方法。
【請求項１３】検索結果を表示するに際して、表示する
文書について前記検索対象構造ごとに抽出された前記特
徴文字列を強調表示することを特徴とする請求項２又は
請求項４記載の構造指定による類似文書の検索方法。
【請求項１４】検索結果を表示するに際して、表示する
文書について前記検索対象構造ごとに前記類似度を表示
することを特徴とする請求項２又は請求項４記載の構造
指定による類似文書の検索方法。
【請求項１５】検索条件として指定された文書あるいは
文章（種文書）に類似する構造化文書を検索する装置で
あって、類似度計算の検索条件として種文書と該構造化
文書に属する少なくとも１つの構造の指定を受ける手段
と、類似度計算の後、類似度のより高い対象文書を優先
して表示する手段とを有することを特徴とする構造指定
による類似文書の検索装置。
【請求項１６】種文書に類似する構造化文書を検索する
装置であって、種文書と検索対象とする構造が指定され
たとき、指定された該種文書のテキストから特徴となる
文字列を抽出する手段と、抽出された特徴文字列と指定
された検索対象構造とが合致する文書を対象として、該
特徴文字列に基づく該種文書との類似度を算出する手段
と、算出された類似度の高い順に従って表示の優先度を
決定する手段とを有することを特徴とする構造指定によ
る類似文書の検索装置。
【請求項１７】構造化された種文書に類似する文書を検
索する装置であって、種文書と該種文書に属する少なく
とも１つの構造の指定を受ける手段と、類似度計算の
後、類似度のより高い対象文書を優先して表示する手段
とを有することを特徴とする構造指定による類似文書の
検索装置。
【請求項１８】構造化された種文書に類似する文書を検
索する装置であって、種文書と検索対象とする構造が指
定されたとき、指定された該種文書のテキストのうち指
定された構造に属するテキストから特徴となる文字列を
抽出する手段と、抽出された特徴文字列と指定された検
索対象構造とが合致する文書を対象として該特徴文字列
に基づく該種文書との類似度を算出する手段と、算出さ
れた類似度の高い順に従って表示の優先度を決定する手
段とを有することを特徴とする構造指定による類似文書
の検索装置。
【請求項１９】計算機読み取り可能な記憶媒体に格納さ
れたプログラムであって、該プログラムは、検索条件と
して指定された文書あるいは文章（種文書）に類似する
構造化文書を検索するプログラムであり、類似度計算の
検索条件として種文書と該構造化文書に属する少なくと
も１つの構造の指定を受けるプログラム手段と、類似度
計算の後、類似度のより高い対象文書を優先して表示す
るプログラム手段とを有することを特徴とするプログラ
ムを格納する記憶媒体。
【請求項２０】計算機読み取り可能な記憶媒体に格納さ
れたプログラムであって、該プログラムは、種文書に類
似する構造化文書を検索するプログラムであり、種文書
と検索対象とする構造が指定されたとき、指定された該
種文書のテキストから特徴となる文字列を抽出するプロ
グラム手段と、抽出された特徴文字列と指定された検索
対象構造とが合致する文書を対象として、該特徴文字列
に基づく該種文書との類似度を算出するプログラム手段
と、算出された類似度の高い順に従って表示の優先度を
決定するプログラム手段とを有することを特徴とするプ
ログラムを格納する記憶媒体。
【請求項２１】計算機読み取り可能な記憶媒体に格納さ
れたプログラムであって、該プログラムは、構造化され
た種文書に類似する文書を検索するプログラムであり、
種文書と該種文書に属する少なくとも１つの構造の指定
を受けるプログラム手段と、類似度計算の後、類似度の
より高い対象文書を優先して表示するプログラム手段と
を有することを特徴とするプログラムを格納する記憶媒
体。
【請求項２２】計算機読み取り可能な記憶媒体に格納さ
れたプログラムであって、該プログラムは、構造化され
た種文書に類似する文書を検索するプログラムであり、
種文書と検索対象とする構造が指定されたとき、指定さ
れた該種文書のテキストのうち指定された構造に属する
テキストから特徴となる文字列を抽出するプログラム手
段と、抽出された特徴文字列と指定された検索対象構造
とが合致する文書を対象として該特徴文字列に基づく該
種文書との類似度を算出するプログラム手段と、算出さ
れた類似度の高い順に従って表示の優先度を決定するプ
ログラム手段とを有することを特徴とするプログラムを
格納する記憶媒体。